無程式碼也能輕鬆打造專業LINE官方帳號！一鍵導入模板，讓AI助你行銷加分！
物體偵測在過去十年中經歷了顯著的演進，從手工設計的特徵發展到能夠以超越人類的準確度識別和定位物體的深度神經網路。Detectron2 站在這股演進的最前沿——Meta AI 的開源平台，實作了用於物體偵測、分割和姿態估計的最新演算法。
Detectron2 是從頭重寫的原始 Detectron 框架，而 Detectron 本身是 Meta 對開創性 Mask R-CNN 架構的實作。Detectron2 完全基於 PyTorch 構建，體現了多年來在 Meta 規模的電腦視覺研究和生產部署中學到的經驗教訓。
Detectron2 與其他電腦視覺框架的不同之處在於其廣度與深度的結合。它支援全方位的視覺任務——物體偵測、實例分割、語義分割、全景分割、關鍵點偵測和密集姿態估計——並採用統一的架構，使實驗不同模型、骨幹網路和訓練策略變得容易。
Detectron2 的架構是如何設計的？
Detectron2 使用模組化、可配置的架構，將模型組件與訓練基礎設施分開。
graph TD
A[配置\nYAML / Python] --> B[Detectron2 引擎]
B --> C[資料載入器\n資料集映射器\n擴增]
B --> D[模型\n骨幹 + 頸部 + 頭部]
B --> E[訓練迴圈\n最佳化器 + 排程器]
B --> F[評估\nCOCO / 自訂指標]
D --> G[骨幹網路\nResNet, ResNeXt, Swin, ViT]
D --> H[頸部\nFPN, PAN, NAS-FPN]
D --> I[頭部\nR-CNN, Mask, Keypoint, DensePose]
每個組件——資料集註冊、資料擴增、模型架構、訓練排程、評估指標——都是獨立可配置的，使研究人員無需編寫樣板程式碼即可混合搭配組件。
Detectron2 可以執行哪些任務？
Detectron2 在單一框架內支援異常廣泛的電腦視覺任務。
| 任務 | 說明 | 關鍵架構 |
|---|---|---|
| 物體偵測 | 邊界框預測 | Faster R-CNN, RetinaNet, FCOS |
| 實例分割 | 每個物體的像素遮罩 | Mask R-CNN, Cascade R-CNN |
| 語義分割 | 每個像素的類別標籤 | Semantic FPN, DeepLab |
| 全景分割 | 統一的實例 + 語義 | Panoptic FPN |
| 關鍵點偵測 | 骨骼關鍵點 | Keypoint R-CNN |
| DensePose | 密集表面對應 | DensePose R-CNN |
這種廣度意味著單一代碼庫可以服務從簡單物體計數到複雜人體姿態追蹤再到全場景理解的各種專案。
Detectron2 提供哪些訓練和部署功能？
Detectron2 的生產級訓練基礎設施包括為研究和實驗以及部署而設計的功能。
| 功能 | 說明 |
|---|---|
| 分散式訓練 | 使用 NCCL 的多 GPU 和多節點訓練 |
| 自動混合精度 | FP16 訓練，吞吐量提升高達 2 倍 |
| 惰性配置 | 基於 Python 的配置系統，支援繼承和覆寫 |
| 檢查點儲存 | 自動儲存/恢復，含最佳模型追蹤 |
| 匯出格式 | TorchScript、ONNX、TensorRT 用於部署 |
| 模型 Zoo | 100+ 個預訓練模型，附基準測試分數 |
僅模型 zoo 本身就是一個寶貴的資源——提供數十種架構的預訓練權重，在 COCO、Cityscapes、LVIS 和其他標準基準測試上進行訓練，並附有記錄的準確度和速度指標。
如何開始使用 Detectron2？
得益於其高階 API，使用 Detectron2 運行偵測模型只需要最少的程式碼。
| 步驟 | 命令 / 操作 |
|---|---|
| 安裝 | pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu118/index.html |
| 快速示範 | 使用預訓練模型執行 demo/demo.py |
| 自訂訓練 | 註冊資料集、修改配置、執行 train_net.py |
| 評估 | 內建 COCO 評估器，附 AP 指標 |
| 部署 | 匯出為 TorchScript 或 ONNX 用於生產 |
快速入門路徑——下載預訓練模型並在圖像上執行推理——只需要幾分鐘。對於自訂資料集的完整訓練流程，標準任務可以在不到一小時內配置完成。
常見問題
什麼是 Detectron2？ Detectron2 是 Meta AI 的下一代物體偵測、分割和姿態估計平台，基於 PyTorch 構建，支援廣泛的電腦視覺模型。
Detectron2 支援哪些模型？ Detectron2 支援 Faster R-CNN、Mask R-CNN、RetinaNet、ViTDet 等架構，以及 ResNet、Swin Transformer 等骨幹網路。
Detectron2 與原始 Detectron 相比如何？ Detectron2 是基於 PyTorch 的完整重寫，具有更模組化的設計和更好的效能。
Detectron2 可以用於即時推理嗎？ 可以，可透過模型量化、ONNX 匯出和 TensorRT 加速進行最佳化。
如何使用 Detectron2 訓練自訂模型？ 準備資料集、註冊到 Detectron2、選擇配置並執行訓練腳本。
延伸閱讀
- Detectron2 GitHub 儲存庫 – 原始碼、文件和模型 zoo
- Detectron2 文件 – 官方 API 參考和教學
- Mask R-CNN 論文 (ArXiv) – Detectron2 背後的基礎架構
- ViTDet 論文 (ArXiv) – 整合到 Detectron2 的視覺轉換器偵測
